MétaCan
Menu
Retour à la cohorte
Enregistrement W2929525991 · doi:10.1186/s12882-019-1269-2

Patient and provider experience and perspectives of a risk-based approach to multidisciplinary chronic kidney disease care: a mixed methods study

2019· article· en· W2929525991 sur OpenAlexafffundabout
Michelle Smekal, Helen Tam‐Tham, Juli Finlay, Maoliosa Donald, Chandra Thomas, Robert G. Weaver, Robert R. Quinn, Kin Tam, Braden Manns, Marcello Tonelli, Aminu K. Bello, Navdeep Tangri, Brenda R. Hemmelgarn

Notice bibliographique

RevueBMC Nephrology · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueDialysis and Renal Disease Management
Établissements canadiensUniversity of ManitobaSeven Oaks General HospitalAlberta Health ServicesAlberta EnergyUniversity of AlbertaUniversity of Calgary
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésMedicineMultidisciplinary approachNephrologyKidney diseaseFamily medicineRisk assessmentInternal medicineIntensive care medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: The Kidney Failure Risk Equation (KFRE) predicts risk of progression to kidney failure and is used to guide clinical decisions for patients with chronic kidney disease (CKD). METHODS: The KFRE was implemented to guide access to multidisciplinary care for CKD patients in Alberta, Canada, based on their 2-year risk of kidney failure. We used a mixed methods approach to investigate patients' and providers' perspectives and experiences 1 year following KFRE implementation. We conducted post-implementation interviews with multidisciplinary clinic providers and with low-risk patients who transitioned from multidisciplinary to general nephrology care. We also administered pre- and post-implementation patient care experience surveys, targeting both low-risk patients discharged to general nephrology and high-risk patients who remained in the multidisciplinary clinic, and provider job satisfaction surveys. RESULTS: Twenty-seven interviews were conducted (9 patients, 1 family member, 17 providers). Five categories were identified among patients and providers: targeted care; access to resources outside the multidisciplinary clinics; self-efficacy; patient reassurance and reduced stress; and transition process for low-risk patients Two additional categories were identified among providers only: anticipated concerns and job satisfaction. Patients and providers reported that the risk-based approach allowed the clinic to target care to those most likely to experience kidney failure and most likely to benefit from multidisciplinary care. While some participants indicated the risk-based model enhanced the sustainability of the clinics, others expressed concern that care for low-risk patients discharged from multidisciplinary care, or those now considered ineligible, may be inadequate. Overall, 413 patients completed the care experience survey and 73 providers completed the workplace satisfaction survey. The majority of patients were satisfied with their care in both periods with no overall differences. When considering the responses "Always" and "Often" together versus not, there were statistically significant improvements in domains of access to care, caring staff, and safety of care. There were no differences in healthcare providers' job satisfaction following KFRE implementation. CONCLUSIONS: Patients and healthcare providers reported that the risk-based approach improved the focus of the multidisciplinary CKD clinics by targeting patients at highest risk, with survey results suggesting no difference in patient care experience or healthcare provider job satisfaction.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,010
score de la tête « metaresearch » (Gemma)0,016
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,055

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,016
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0030,001
Communication savante0,0030,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,017
Tête enseignante GPT0,316
Écart entre enseignants0,298 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations52
Publié2019
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueBMC NephrologyMême sujetDialysis and Renal Disease ManagementTravaux en français237 207